927735_es-ES

liliconcom

optimización de bioprocesos

Estimado señor,

Estoy realizando un experimento de bioproceso con cuatro factores y una variable de respuesta. Mi objetivo es optimizar la concentración de estos factores para futuros estudios de laboratorio. En el JMP, solo dos factores fueron significativos ( p < 0,05). ), aunque también observé algunas interacciones cuadráticas. Al usar el Generador de Perfiles de Predicción para maximizar la deseabilidad, ¿debería eliminar primero los factores no significativos o incluir tanto los efectos significativos como los no significativos en la optimización final?

también,

Al realizar la reducción del modelo para la optimización de un bioproceso en JMP, ¿cuál es la mejor práctica para gestionar términos no significativos en el Prediction Profiler? Mi modelo muestra dos efectos principales significativos y algunas interacciones cuadráticas. No estoy seguro de si debo conservar los factores no interactivos ni significativos al predecir la deseabilidad máxima, o si mantenerlos podría introducir ruido innecesario en la optimización.

Muchas gracias de antemano por su respuesta.

Modelado estadístico avanzadoAnálisis y modelado de datos básicosAcceso a datosDiseño de experimentosIngeniería de Calidad y ProcesosAnálisis de confiabilidadRe: optimización de bioprocesos

¡Bienvenido! No estoy seguro de que haya una respuesta simple y general a sus preguntas, ya que el tema de la Reducción de Modelos suele depender de los detalles específicos de su experimento. Me remito al DOE y a los expertos en estadística para que me asesoren al respecto.

Si aún no lo has visto, te recomiendo el siguiente recurso para aprender a analizar experimentos usando Regresión Lineal Múltiple en JMP: Tutorial de Correlación y Regresión | JMP

Re: optimización de bioprocesos

No has proporcionado suficiente estructura para tu experimento. No hay información sobre los niveles ni sobre si realizaste repeticiones o réplicas. ¿Podrías adjuntar la tabla de datos? Cuando dices que intentas optimizar, ¿es eso realmente lo que buscas o prefieres seleccionar al ganador? No hay una única forma correcta de analizar los datos. Normalmente, comenzarás el análisis DOE con el modelo que usaste para seleccionar el experimento y realizarás el ajuste del modelo en JMP. Existen varias estadísticas que se utilizan para ayudar a reducir o simplificar el modelo, pero sí, debes simplificarlo antes de usar el generador de perfiles de predicción con confianza. ¿A qué te refieres con interacciones cuadráticas? ¿Te refieres a algo como esto: X1*X2^2? Si hay interacciones, debes tener cuidado al configurar los efectos principales.

Cabe destacar que la optimización se realiza después de comprender el ruido en el sistema. Si realmente se está optimizando, ya se debería haber establecido la importancia de los factores. Ahora se está mapeando el contorno de la superficie de respuesta.

Además, me parece extremadamente inusual que tengas una situación con una sola variable de respuesta. No creo haber visto algo así antes. Vivimos en un mundo multivariable.

Re: optimización de bioprocesos

Como suele ocurrir en estadística, no existe un enfoque universal para esta pregunta tan común. Lo primero que debe hacer es ajustar el modelo completo en el que se basó su diseño. Luego, en lugar de simplemente eliminar un término porque su valor p es menor que 0,05, podría considerar otros criterios de selección de modelos que sean mejores para predicciones más robustas, como AICc y PRESS (ambos disponibles en JMP). Otra opción es observar los tamaños del efecto (hay un complemento en JMP Marketplace que puede ayudarlo a calcularlos) para obtener una mejor idea de la significancia práctica, es decir, no solo eliminar un término porque su valor p es 0,051 en lugar de 0,049. Una práctica común también es asegurarse de aplicar la herencia del efecto (mantener un efecto principal en el modelo si es cuadrático o una interacción con él es significativa, incluso si el efecto principal en sí es insignificante). Es importante ejecutar todas las comprobaciones de diagnóstico normales después de elegir un nuevo modelo.

Un último paso importante es decidir qué configuración establecer para los factores a fin de optimizar la respuesta, especialmente los que no se incluyeron en el modelo. Este paso es fundamental y, a menudo, requiere tanto conocimiento de la materia como de estadística. En teoría, si los datos disponibles sugieren que un término no pertenece a un modelo para una respuesta dada, la media de la respuesta es más o menos constante en todo el espacio del efecto estudiado (esto supone muchas cosas, sobre todo que los datos recopilados sean representativos de la población general y que no exista ningún otro factor que describa el proceso que se haya omitido y que pueda sesgar los términos o interactuar con el efecto omitido). Por lo tanto, se podría argumentar que se debe establecer en el punto medio del rango del efecto. Se podría establecer en un punto que se sepa que el proceso controla bien (es decir, con una variación mínima), o en un nivel que sea más económico o fácil de ejecutar. Se podría optar por mantener todos los efectos principales para que, una vez optimizados con la conveniencia, se obtengan ajustes para todos los factores. He visto el uso de cualquiera de estos enfoques y otros más.

Esta es sólo una corriente de pensamiento para abordar este problema, ya que estoy seguro de que otros pueden tener opiniones diferentes o adicionales.